4.3　使用Azure机器学习Notebook

在完成了Azure账户的注册和机器学习工作区的创建后，接下来我们将探讨如何使用Azure机器学习Notebook进行编程和实验。Azure AI Notebook提供了一种便捷的工具，允许用户在云端进行机器学习编程和实验。

4.3.1　启动工作室

首先，我们需要进入Azure机器学习工作。在Azure门户页面中单击“机器学习”服务，找到并进入之前创建的机器学习工作区。在工作区的概览页面中单击“启动工作室”按钮，如图4.15所示，工作室将会在新标签页中打开。

图4.15　启动工作室

进入工作室后将会看到一个名称为“Azure AI机器学习工作室”的界面，如图4.16所示。在左侧导航栏中找到并选择Notebooks选项，进入Notebook管理页面。

图4.16　AzureAI机器学习工作室

在Notebook管理页面中可以看到一些示例Notebook。为了帮助用户快速入门，Azure提供了一些预先配置好的Notebook示例。找到名称为“入门：训练和部署模型”的示例Notebook，单击“启动”按钮，将打开一个新的Notebook编辑器页面。

整个创建过程大约耗时25分钟，创建完成后会自动进入Notebook页面。

4.3.2　新建Notebook

打开示例Notebook后，需要创建一个计算实例来运行代码。单击页面中的“创建计算”按钮，如图4.17所示。

图4.17　创建计算实例

Azure提供了多种计算资源配置，如图4.18所示。用户可以根据自己的需求选择合适的算力配置。需要注意的是，不同的算力配置有不同的计费标准，请合理选择以控制成本。

在选择好计算资源配置后，单击“审阅+创建”按钮，Azure将开始创建计算实例。创建过程耗时几分钟，完成后可以在Notebook中使用这些计算资源。

接下来需要新建一个Jupyter Notebook文件。在左侧文件浏览器中右击一个文件夹，在弹出的快捷菜单中选择“新建文件”命令，输入文件名，如“test1.ipynb”，然后单击“审阅+创建”按钮，如图4.19所示。创建完成后，双击该文件以，编辑器中打开它。

图4.18　算力配置计费标准

图4.19　新建自己的.ipynb文件

4.3.3　在Notebook中执行简单的机器学习任务

首先，我们需要将本地的表格数据上传到Azure机器学习工作区中。本地数据文件名为data.csv，部分数据如表4.1所示。

表4.1　data.csv

这个数据集包含多个样本，每个样本有4个属性：年龄（age）、收入（income）、性别（gender）和目标变量（target），目标变量表示客户是否流失（1表示流失，0表示未流失）。

首先，打开Azure机器学习工作室。在左侧导航栏中找到并选择“数据”选项，在弹出的“数据”页面中单击顶部的“+创建”按钮，在弹出的“创建数据资产”页面中输入对应的名称和说明，如图4.20所示。

图4.20　创建数据集

单击“下一个”按钮，在弹出的“数据源”页面中选择“从本地文件上传”，然后单击“下一个”按钮。在弹出的“目标存储类型”页面中选择“Azure Blob存储”，如图4.21所示。

图4.21　选择“AzureBlob存储”方式

在“文件选择”页面中单击“浏览”按钮，选择本地的data.csv文件，检查无误后，单击“创建”按钮。上传完成后，data.csv文件将会出现在数据集列表中。

现在，可以在Notebook中加载该数据集并执行相应的机器学习任务了，具体步骤如下。

1．设置环境

首先确保已经安装了必要的Python包。你可能需要安装pandas、scikit-learn和azureml。可以在Notebook中运行以下命令安装这些包：

   !pip install pandas scikit-learn azureml-core

2．导入必要的库

接下来导入要使用的库：

   import pandas as pd
   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LogisticRegression
   from sklearn.metrics import accuracy_score
   from azureml.core import Workspace, Dataset

3．加载数据集

从Azure ML工作区中加载上传的data.csv数据集：

4．数据预处理

对数据进行一些基本的预处理，如将性别编码为数值。

   # 性别编码
   df['gender']=df['gender'].map({'M': 0, 'F': 1})

   # 查看数据
   print(df.head())

5．准备训练和测试数据

将数据集划分为特征（ X ）和目标变量（ y ），并进一步分割为训练集和测试集。

6．训练机器学习模型

使用逻辑回归模型进行训练。

7．预测和评估

使用测试集进行预测并评估模型性能。

8．预测新数据

可以用训练好的模型对新数据进行预测，例如：

新数据预测结果正确。在上面的步骤中，我们演示了如何在Azure机器学习工作区中上传本地数据文件，并在Notebook中执行简单的机器学习任务。具体步骤包括：上传数据、安装必要的Python包、导入库、加载数据集、进行数据预处理、划分训练和测试数据集、训练机器学习模型、预测和评估模型性能以及对新数据进行预测。整个流程展示了从数据准备到模型训练和评估的完整过程。

除此之外，Azure AI工作室还提供了许多功能，可以进一步帮助用户执行机器学习和数据分析任务，这些功能如下：

自动化ML：提供自动化的机器学习模型训练和优化功能。

设计器：允许用户通过拖曳组件的方式构建和部署机器学习模型。

提示流：提供数据提示流的创建和管理功能。

跟踪：提供实验跟踪和管理功能。

数据：支持数据集的管理和浏览。

作业（Job）：管理和监控机器学习作业。

组件：提供机器学习组件的管理功能。

管道：管理和执行机器学习管道。

环境：管理和配置计算环境。

模型：管理和部署机器学习模型。

服务终端：提供API服务终端的管理。

计算：管理计算资源。

正在监视：监控机器学习资源和任务。

数据标签：提供数据标签功能。

链接服务：管理链接服务。

以上功能为用户提供了丰富的工具和资源，帮助用户更高效地完成机器学习和数据分析任务。有兴趣的读者可以自行查阅资料，尝试使用这些功能来扩展和优化自己的机器学习项目。 krCulqkAU4S7ubV0T8hzfdI7l+9tqy4eQbMlKY9WUQESgOiibIfnI8cr8xTIzxwy